---
title: "COVID19 Dashboard"
output:
flexdashboard::flex_dashboard:
orientation: rows
vertical_layout: fill
social: [ "twitter", "facebook", "menu"]
source_code: embed
---
```{r setup, include=FALSE}
library(flexdashboard)
# library(knitr)
library(DT)
library(rpivotTable)
library(ggplot2)
library(plotly)
library(dplyr)
library(openintro)
library(highcharter)
library(ggvis)
library(tidyverse)
library(lubridate)
# library(tibbletime)
library(reactable)
library(htmltools)
library(tsibble)
library(feasts)
library(fable)
library(kableExtra)
library(formattable)
#importación y lectura
library(readxl)
library(tidyr)
library(vroom)
#Mapas
library(leaflet)
library(ggmap) # -> para obtener lon y lat de los municipios
library(raster)
library(spData)
library(tmap)
library(RJSONIO)
library(tmaptools)
library(Hmisc)
library(mxmaps) #se instala con un repo de gitgub con el
#siguiente comando
#if (!require("devtools")) {
# install.packages("devtools")
# }
# devtools::install_github("diegovalle/mxmaps")
library(sf)
library(scales) # needed for comma
library(rgeos)
library(maptools)
library(leaflet)
library(geojsonio)
library(jsonlite)
```
```{r}
data <- read_csv("VehicleFailure.csv")
delitos <- read_csv("../Delitos/delitos2015-2021.csv",
locale(encoding = "latin1"),
col_names = TRUE,
col_types = NULL
)
#######Quedarse solo con las columnas y filas necesarias#######
delitos_a_comparar <- c("Feminicidio", "Abuso sexual",
"Acoso sexual", "Hostigamiento sexual",
"Otros delitos que atentan contra la libertad y la seguridad sexual",
"Violación simple", "Violación equiparada", "Trata de personas",
"Tráfico de menores", "Secuestro", "Violencia familiar")
delitos_tidy <- delitos %>%
filter( Tipo_de_delito %in% delitos_a_comparar |
Subtipo_de_delito == "Homicidio doloso" |
Subtipo_de_delito == "Lesiones dolosas" ) %>%
pivot_longer(
cols = Enero:Diciembre ,
names_to = "Meses",
values_to = "Cuenta"
) %>%
group_by(Ano, Meses, Tipo_de_delito, Subtipo_de_delito) %>%
summarise(Cuenta = sum(Cuenta), .groups = "drop")
delitos_tidy <- delitos_tidy %>%
mutate(
Meses = str_trunc(Meses, width = 3, ellipsis = ""),
Meses = case_when(
Meses == "Ene" ~ "Jan",
Meses == "Abr" ~ "Apr",
Meses == "Ago" ~ "Aug",
Meses == "Dic" ~ "Dec",
TRUE ~ Meses
)
) %>%
unite(col = "Fecha", c(Ano,Meses), sep = " ") %>%
mutate(Fecha = yearmonth(Fecha))
delitos_tidy_tsbl <- delitos_tidy %>%
as_tsibble(
index = Fecha,
key = c(Tipo_de_delito, Subtipo_de_delito)
)
mycolors <- c("blue", "#FFC125", "darkgreen", "darkorange")
```
Delitos en época de COVID19
=====================================
Row
-------------------------------
### Tabla de incidencia
```{r}
#Tabla de incidencia
Incidencia_2019 <-delitos_tidy_tsbl %>%
tsibble::group_by_key() %>%
tsibble::index_by(Año = year(Fecha)) %>%
dplyr::summarise(Cuenta = sum(Cuenta)) %>%
dplyr::filter(Año %in% 2019) %>%
dplyr::as_tibble(Incidencia_2019) %>%
dplyr::transmute( Delito = Tipo_de_delito,
Incidencia_2019 = Cuenta)
Incidencia_2020 <- delitos_tidy_tsbl %>%
group_by_key() %>%
index_by(Año = year(Fecha)) %>%
dplyr::summarise(Cuenta = sum(Cuenta)) %>%
dplyr::filter(Año %in% 2020) %>%
dplyr::as_tibble(Incidencia_2020) %>%
dplyr::mutate(Delito = Tipo_de_delito,
Incidencia_2020 = Cuenta) %>%
dplyr::select(Delito, Incidencia_2020)
Incidencia <- Incidencia_2020 %>%
add_column(Incidencia_2019$Incidencia_2019) %>%
dplyr::mutate(
Porcentaje_de_cambio = round((
(Incidencia_2020 - Incidencia_2019$Incidencia_2019)/Incidencia_2020), digits = 5),
Incidencia_2019 = Incidencia_2019$Incidencia_2019) %>%
dplyr::select(Delito, Incidencia_2019, Incidencia_2020, Porcentaje_de_cambio)%>%
arrange(desc(Porcentaje_de_cambio))
Tabla <- Incidencia %>%
mutate(Porcentaje_de_cambio = percent(Porcentaje_de_cambio, 2)) %>%
kbl(fortmat = "htlm", col.names = c("Delitos",
"Incidencia en 2019",
"Incidencia en 2020",
"Porcentaje de cambio")) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "left",
font_size = 14) %>%
column_spec(4,color = ifelse( Incidencia$Porcentaje_de_cambio > 0, "red", "green"))
Tabla
```
### Delitos sexuales y de género
```{r}
sexuales_y_genero = c("Abuso sexual",
"Acoso sexual",
"Feminicidio",
"Violación simple",
"Violación equiparada",
"Hostigamiento sexual",
"Otros delitos que atentan contra la libertad y la seguridad sexual")
p2 <- delitos_tidy_tsbl %>%
filter (Tipo_de_delito %in% sexuales_y_genero) %>%
ggplot() +
geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
p2
```
### Delitos contra la libertad
```{r}
p3 <- delitos_tidy_tsbl %>%
filter (Tipo_de_delito %in% c("Trata de personas", "Tráfico de menores", "Secuestro") ) %>%
ggplot() +
geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
p3
```
Row
------------------------------------
### Delitos dolosos
```{r}
p4 <- delitos_tidy_tsbl %>%
filter(Subtipo_de_delito %in% c("Lesiones dolosas", "Homicidio doloso")) %>%
ggplot() +
geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
p4
```
### Delitos violencia familiar
```{r}
p5 <- delitos_tidy_tsbl %>%
filter (Tipo_de_delito == "Violencia familiar") %>%
ggplot() +
geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))
p5
```
Map
========================================
### Map
```{r}
# car <- data %>%
# group_by(State) %>%
# summarize(total = n())
# car$State <- abbr2state(car$State)
#
# highchart() %>%
# hc_title(text = "Car Failures in US") %>%
# hc_subtitle(text = "Source: Vehiclefailure.csv") %>%
# hc_add_series_map(usgeojson, car,
# name = "State",
# value = "total",
# joinBy = c("woename", "State")) %>%
# hc_mapNavigation(enabled = T)
# lubridate::today()-1
# fecha <- "210415"
options(timeout = 700)
temp <- tempfile()
download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
unlink(temp)
```
```{r}
Entidades <- read_xlsx("../Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")
# Clasificación de datos -------------------------------------------------
#datos necesarios para la prueba
datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
`TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
`RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))
#datos confirmados sin realización de pruebas
confirmados <- datosimportates %>%
filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>%
dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`, `ENTIDAD_FEDERATIVA`, `ABREVIATURA`) %>%
mutate(
year = lubridate::year(FECHA_INGRESO),
month = lubridate::month(FECHA_INGRESO),
day = lubridate::day(FECHA_INGRESO)
) %>%
drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`)
# Agrupación de datos ----------------------------------------------------
#Numero de positivos por estado
positivosestado <- confirmados %>%
group_by(`ENTIDAD_RES`) %>%
summarise(
count=n(),
)
#Selección de nombre estados, por orden de codigo
nombreEstado <- Entidades %>%
dplyr::select(`ENTIDAD_FEDERATIVA`) %>%
slice( 1:32)
mapaPositivos <- positivosestado %>%
add_column(nombreEstado)
# Mapa -------------------------------------------------------------------
# data(mapaPositivos)
# mapaPositivos$rand <- mapaPositivos$count
# mapaPositivos$region <- mapaPositivos$ENTIDAD_RES
# mxstate_choropleth(mapaPositivos,
# title = "Casos confirmados de COVID por estado.",
# legend = "Número de casos.",
# )
# Convert the topoJSON to spatial object
tmpdir <- tempdir()
# have to use RJSONIO or else the topojson isn't valid
write(RJSONIO::toJSON(mxstate.topoJSON), file.path(tmpdir, "sta.topojson"))
mxstate <- topojson_read(file.path(tmpdir, "sta.topojson"))
#ordenamos los datos del topoJSON en orden numérico
mxstate <- mxstate[order(mxstate$id),]
mxstate <- as_Spatial(mxstate)
mxstate$rand <- mapaPositivos$count
bins <- c(5000,20000 , 30000, 35000, 50000, 60000, 115000,300000, Inf)
pal <- colorBin("YlOrRd", domain = mxstate$rand, bins=bins)
etiqueta <- paste(
"Estado: ", mapaPositivos$ENTIDAD_FEDERATIVA, "
",
"Número de casos: ", mapaPositivos$count
) %>%
lapply(htmltools::HTML)
leaflet(mxstate) %>%
addPolygons(
fillColor = ~pal(mxstate$rand),
fillOpacity = 1,
stroke = TRUE,
color = "White",
weight = 1.5,
dashArray = "3",
highlight = highlightOptions(
weight = 5,
color = "#666",
dashArray = "",
fillOpacity = 0.7,
bringToFront = TRUE),
label = etiqueta,
)%>%
addLegend(pal = pal, values = ~mapaPositivos$rand, opacity = 0.7, title = "Casos
positivos
contagios",
position = "bottomright")%>%
addTiles() %>%
addMarkers(50, 50) %>%
addControl("Positivos totales COVID19 México", position = "bottomleft") %>%
addProviderTiles("CartoDB.Positron")
```
Data Table
========================================
```{r}
datatable(data,
caption = "Failure Data",
rownames = T,
filter = "top",
options = list(pageLength = 25))
```
Pivot Table
=========================================
```{r}
rpivotTable(data,
aggregatorName = "Count",
cols= "fm",
rows = "State",
rendererName = "Heatmap")
```
Summary {data-orientation=columns}
===========================================
Column
-----------------------------------
### Max Failure Month
```{r}
valueBox(max(data$fm),
icon = "fa-user" )
```
### Average Labor cost
```{r}
valueBox(round(mean(data$lc),
digits = 2),
icon = "fa-area-chart")
```
### Average Mileage at Failure
```{r}
valueBox(round(mean(data$Mileage), digits = 2),
icon = "fa-area-chart")
```
Column
---------------------------
Report
* This is a report on `r length(data$fm)` car failures.
* The average labor cost was `r mean(data$lc)`.
* The average material cost was `r mean(data$mc)`.
This report was generated on `r format(Sys.Date(), format = "%B %d, %Y")`.
About Report
========================================
Created by: Data Scientist at ABC
Confidential: HIGHLY!
